Translation not up to date
Přezkoumejte a použijte ukázkové notebooky Jupyter, které používají knihovnu Watson Machine Learning Python k demonstraci funkcí a technik výukových programů. Každý zápisník uvádí výukové cíle, takže můžete najít tu, která nejlépe vyhovuje vašim cílům.
Ukázky jsou sestaveny pomocí verze V4 produktu Watson Machine Learning knihovny klientaPython.
Podívejte se na toto video, chcete-li se naučit, jak trénovat, implementovat a testovat strojový výukový model v notebooku Jupyter. Toto video odráží Použít scikit-naučit se rozpoznávat ručně psané číslice nacházející se v tabulce Ukázky implementace .
Toto video poskytuje vizuální metodu pro seznámení se s koncepty a úlohami v této dokumentaci.
Podívejte se na toto video, abyste zjistili, jak testovat model vytvořený pomocí rozhraní AutoAI pomocí rozhraní API Watson Machine Learning v zápisníku Jupyter.
Toto video poskytuje vizuální metodu pro seznámení se s koncepty a úlohami v této dokumentaci.
Užitečné proměnné
Předdefinovaná proměnná prostředí PROJECT_ID usnadňuje volání rozhraní API klienta Watson Machine Learning Python . PROJECT_ID je identifikátor GUID projektu, ve kterém běží vaše prostředí.
Ukázky implementace
Zobrazte nebo spusťte tyto notebooky Jupyter, abyste viděli, jak jsou techniky implementovány pomocí různých rámců. Některé z ukázek se spoléhají na školené modely, které jsou k dispozici také ke stažení z veřejného úložiště.
| Vzorový název | Rámec | Techniky prokázáno |
|---|---|---|
| Použijte scikit-učit se a vlastní knihovna pro předpověď teploty | Scikit-učit se | Vlak model s vlastním definovaným transformátorem Persist vlastní definovaný transformátor a model v úložišti produktu Watson Machine Learning Implementujte model pomocí produktu Watson Machine Learning Service Provést předpovědi s použitím implementovaného modelu |
| Použít PMML k předpovídání druhů duhovky | PMML | Implementace a sestavení modelu PMML |
| Použijte funkci Python k rozpoznání rukou psaných číslic | Python | Použijte funkci k uložení ukázkového modelu a poté jej implementujte. |
| Použít scikit-naučit se rozpoznávat ručně psané číslice | Scikit-učit se | Model skučení modelu Persist vyškolený model v úložišti Watson Machine Learning úložiště Model implementace pro online přidělení skóre pomocí ukázkových záznamů knihovny klienta pomocí knihovny klienta |
| Použít Spark a dávkovou implementaci k předpovídání zákazníků churn | Spark | Načtěte soubor CSV do produktu Apache Spark DataFrame Prozkoumat data Připravit data pro školení a vyhodnocení Vytvořit počítač se strojovým učením Apache Spark Vlak a vyhodnotit model Persist a ropovod a model v produktu Watson Machine Learning repozitář Prozkoumat a vizualizovat výsledek predikce pomocí balíku Implementace modelu pro dávkové vyhodnocování pomocí rozhraní API Watson Machine Learning |
| Využijte Spark a Python k předpovídání úvěrového rizika | Spark | Načtěte soubor CSV do produktu Apache® Spark DataFrame Prozkoumat data Příprava dat pro školení a vyhodnocení Trvale uchovávat propojení procesů a modelu v úložišti Watson Machine Learning ze souborů tar.gz Implementujte model pro online hodnocení pomocí rozhraní API Watson Machine Learning API Skóre hodnocení skóre pomocí Watson Machine Learning . Rozhraní API Prozkoumat a vizualizovat výsledek predikce použitím balíku typu plotly |
| Využijte produkt SPSS k předpovídání zákazníků v churnu | SPSS | Práce s instancí Provedení online implementace dat modelu SPSS Score s použitím implementovaného modelu |
| Použít XGBoost pro klasifikaci nádorů | XGBoost | Load a CSV file into numpy array Explore data Prepare data for training and evaluation Create an XGBoost machine learning model Train and evaluate a model Use cross-validation to optimize model's hyperparameters Persist a model in Watson Machine Learning repository Deploy a model for online scoring Score sample data |
| Předpovídat obchodní činnost pro automobily | Spark | Stáhněte externě cvičený model Keras s datovou sadou. Trvale uchovávat externí model v úložišti Watson Machine Learning . Implementací modelu pro online hodnocení pomocí knihovny klienta. Skóre ukázkových záznamů pomocí knihovny klienta. |
| Nasadit funkci Python pro specifikaci softwaru | Jádro | Vytvoření funkce Python Vytvoření webové služby Skóre modelu |
| Správa artefaktůMachine Learning | Jádro | Exportovat a importovat artefakty Načíst, implementovat a skórovat externě vytvořené modely |
| Volbu Decision Optimization použijte k naplánování vaší stravy. | Jádro | Vytvoření modelu plánování stravy pomocí Decision Optimization |
| Využijte produkt SPSS a dávková implementace s produktem DB2 k předpovídání zákazníků, kteří se churchují | SPSS | Načtěte soubor CSV do produktu Apache Spark DataFrame Prozkoumat data Připravit data pro školení a vyhodnocení Trvale uchovávat propojení procesů a modelu v úložišti Watson Machine Learning ze souborů tar.gz Implementujte model pro online hodnocení pomocí rozhraní API produktu Watson Machine Learning Skóre skóre ukázkového hodnocení skóre pomocí nástroje Watson Machine Learning Rozhraní API Prozkoumat a vizualizovat výsledek predikce použitím balíku typu plotly |
| Use scikit-learn and AI lifecycle capabilities to predict Boston house prices | Scikit-učit se | Načtení ukázkových dat ze souboru sciset-výuka dat Prozkoumat data Příprava dat pro školení a vyhodnocení Vytvořit scikit-učit se propojení procesů Vlak a vyhodnocení modelu Uložit model do úložiště Watson Machine Learning Implementujte model s možností životního cyklu AutoAI |
| Německá prognóza úvěrového rizika se Scikit-učit se pro model monitorování | Scikit-učit se | Vypracovat, vytvořit a implementovat model předpovědi úvěrového rizika s monitorováním |
| Sledovat německý model úvěrového rizika | Scikit-učit se | Vypracovat, vytvořit a implementovat model předpovědí úvěrového rizika se schopnostmi produktu IBM Watson OpenScale |
Ukázky AutoAI
Zobrazte nebo spusťte tyto notebooky Jupyter, abyste viděli, jak jsou implementovány metody modelu AutoAI .
| Vzorový název | Rámec | Techniky prokázáno |
|---|---|---|
| Použijte AutoAI a Lale pro předpověď úvěrového rizika | Hybridní (AutoAI) s Lale | Spolupracujte s experimenty Watson Machine Learning pro školení modelů AutoAI Porovnat proškolené modely kvality a vybrat nejlepší pro další upřesnění Upřesnit nejlepší model a testovat nové varianty Implementovat a skórovat školený model |
| Použití AutoAI k předvídání úvěrového rizika | Hybridní (AutoAI) | Spolupracujte s experimenty Watson Machine Learning pro školení modelů AutoAI Porovnat proškolené modely kvality a vybrat nejlepší pro další upřesnění Upřesnit nejlepší model a testovat nové varianty Implementovat a skórovat školený model |
Další prostředky
V Galerii můžete zkontrolovat nebo spustit řadu urychlovačů pro koncové body, které demonstrují rozsah služeb a řešení. Podrobné informace o přístupu k těmto ukázkám a jejich spouštění najdete v tématu Odvětvové akcelerační klávesy.
Nadřízené téma: Školení a implementace modelů počítačů v přenosných počítačích